人脸检测的性能对比

update @ 202306   yunet/  libfacedetection

@natsuite/yunet - NatML

https://github.com/ShiqiYu/libfacedetection

 据说比 haar还要快很多，待测试

经过初步测试， yunet同样的测试图片，比mlkit要快100%+

-----------------------------------------------------------------------------------------------------------------

update @ 202306 

'com.google.mlkit:face-detection:16.1.5

在高通865 检测一张需要50ms，即20fps， 而同样环境，haar能达到30fps（受限于摄像头？）

No1:

protoPath = os.path.sep.join([args["detector"], "deploy.prototxt"])
modelPath = os.path.sep.join([args["detector"],"res10_300x300_ssd_iter_140000.caffemodel"])
net = cv2.dnn.readNetFromCaffe(protoPath, modelPath)

blob = cv2.dnn.blobFromImage(cv2.resize(frame, (300, 300)), 1.0,(300, 300), (104.0, 177.0, 123.0))        
net.setInput(blob)
detections = net.forward()

数度慢,但检测稳定性和准确率最高.  gpu好的话可以把blob = cv2.dnn.blobFromImage(frame, 1.0, (600, 600),(104.0, 177.0, 123.0)),其中效果最好的是(900,900)

No2:

detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")

gray = cv2.cvtColor(frameClone_cascade, cv2.COLOR_BGR2GRAY)
rects = detector.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(20, 20),flags=cv2.CASCADE_SCALE_IMAGE)

优点1）几乎可以在CPU上实时工作；2）简单的架构；3）可以检测不同比例的人脸。缺点1）会出现大量的把非人脸预测为人脸的情况；2）不适用于非正面人脸图像；3）不抗遮挡。

存在的问题是人脸检测效果不好。正面/垂直/光线较好的人脸，该方法可以检测出来，而侧面/歪斜/光线不好的人脸，无法检测。因此，该方法不适合现场应用

No3:

detector_age_gender = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

rects = detector_age_gender(gray, 1)	

dlib人脸检测方法采用64个特征点检测，效果会好于Haar的方法识别率会更高